آموزش یکپارچهسازی سیستمها با Kafka Connect - آخرین آپدیت
دانلود Integrate Systems with Kafka Connect
درک نحوه فعالسازی یکپارچهسازی دادهها در سیستمها توسط Kafka Connect Understand How Kafka Connect Enables Data Integration across Systems
-
Kafka Connect چیست و چرا باید از آن استفاده کنیم؟ What Is Kafka Connect and Why Should You Use It?
-
معماری Kafka Connect: ورکرها، تسکها و کانکتورها Kafka Connect Architecture: Workers, Tasks, and Connectors
-
کاربرد عملی کانکتورهای Source و Sink Source and Sink Connectors in Action
-
جایگاه Connect در اکوسیستم کافکا و موارد استفاده در خط لوله داده Connect’s Place in the Kafka Ecosystem and Data Pipeline Use Cases
استقرار و پیکربندی Kafka Connect Deploy and Configure Kafka Connect
-
راهاندازی Kafka Connect در حالت توزیعشده (Distributed Mode) Setting up Kafka Connect in Distributed Mode
-
پیکربندی کانکتور Source: از Postgres به Kafka Configuring a Source Connector: From Postgres to Kafka
-
مانیتورینگ ورکرها و بررسی لاگها و آفستها Monitoring Workers and Inspecting Logs and Offsets
-
ردیابی آفست و تحمل خطا در عمل Offset Tracking and Fault Tolerance in Action
پیادهسازی کانکتورهای Sink و الگوهای تحویل داده Implement Sink Connectors and Data Delivery Patterns
-
درک کانکتورهای Sink و تضمینهای تحویل داده Understanding Sink Connectors and Delivery Guarantees
-
پیکربندی کانکتور Sink: از Kafka به S3 Configuring a Sink Connector: Kafka to S3
-
مبدلها و تبدیلهای فرمت داده Converters and Data Format Transformations
-
مقیاسبندی کانکتورها با تسکها و موازیسازی Scaling Connectors with Tasks and Parallelism
بهبود خط لولههای داده با تبدیلها و مدیریت خطا Enhance Data Pipelines with Transformations and Error Handling
-
آشنایی با تبدیلهای تکپیامی (SMTs) Introduction to Single Message Transforms (SMTs)
-
اعمال و زنجیرهسازی تبدیلها Applying and Chaining Transforms
-
مدیریت خطاها با صفهای پیامهای مرده (DLQs) Handling Errors with Dead-letter Queues (DLQs)
-
مانیتورینگ و بهینهسازی عملکرد Connect Monitoring and Optimizing Connect Performance
https://donyad.com/d/cb00f5
Harsh Karna
Harsh یک مهندس نرم افزار ماهر با بیش از 4 سال تجربه در مهندسی داده ها و توسعه نرم افزار است. او در فن آوری های داده های بزرگ مانند Hadoop ، Spark و SQL به همراه سیستم عامل های ابری مانند AWS و Azure تخصص زیادی دارد ، جایی که او ETL قوی و چارچوب های داده را بر روی سیستم عامل هایی مانند Snowflake و Databricks ساخته است. در زبانهای برنامه نویسی مانند پایتون ، SQL و جاوا مهارت دارد ، Harsh همچنین در چارچوب های Django و Flask تجربه دارد. کار وی شامل طراحی و اجرای خطوط لوله داده ، دریاچه های داده و انبارهای داده است. HARSH با سابقه ای در علوم داده ، یادگیری ماشین و آمار ، به پروژه های متنوعی از جمله پردازش زبان طبیعی و دید رایانه کمک کرده است. او به عنوان یک فریلنسر ، پروژه هایی را در مهندسی داده ها ، داده های بزرگ ، محاسبات ابری ، تجزیه و تحلیل داده ها و ژنرال هوش مصنوعی مقابله می کند. در خارج از کار ، سخت عاشق مسافرت ، یادگیری در مورد فرهنگ های جدید و ملاقات با مردم از سراسر جهان است. او مربیگری رایگان را به دانشجویان و افراد متقاضی شغل ارائه می دهد و به آنها کمک می کند تا در صنعت فناوری حرکت کنند.
نمایش نظرات